TTS Arena - Bwrdd Canlyniadau Modelau Lleferydd AIName

Cymharu mwy na 20 model testun-i-leferydd. Benchmarks swyddogol, graddau'r gymuned, a chymharu ochr yn ochr.

Cymhariaeth ochr- wrth- ochr

Teipiwch destun, dewiswch ddau ddull, a chymharu'r canlyniadau. Nid oes angen cyfrif ar ddull am ddim.

Mae modelau am ddim yn gweithio heb gyfrif. Cofrestru to compare premium models.

Model Bwrdd Arwain

# Model Swyddogol Cymuned Eich gradd Cyflymder o Fawrth
1
Kokoro
Kokoro
Lightweight 82M parameter model delivering studio-quality speech with blazing-fast inference.
82M 1200h 2024
4.8 /5 5.0 /5
1 pleidlais
fast Free
2
CosyVoice 2
CosyVoice 2
Alibaba's scalable streaming TTS with human-parity naturalness and near-zero latency.
300M 200000h 2024
4.26 /5 Dim pleidleisiau eto
medium Standard
3
Chatterbox
Chatterbox
State-of-the-art zero-shot voice cloning with emotion control from Resemble AI.
300M 2025
4.25 /5 Dim pleidleisiau eto
medium Premium
4
StyleTTS 2
StyleTTS 2
Human-level text-to-speech through style diffusion and adversarial training.
100M 585h 2024
4.23 /5 Dim pleidleisiau eto
medium Premium
5
Piper
Piper
A fast, local neural text to speech system optimized for Raspberry Pi and embedded devices.
15M 2023
4.15 /5 Dim pleidleisiau eto
fast Free
6
MeloTTS
MeloTTS
High-quality multilingual text-to-speech that runs on CPU with minimal latency.
25M 2024
4.13 /5 Dim pleidleisiau eto
fast Free
7
Dia TTS
Dia TTS
Multi-speaker dialog generation model that creates natural conversations between speakers.
1.6B 2024
4.09 /5 Dim pleidleisiau eto
medium Standard
8
VITS
VITS
Conditional variational autoencoder with adversarial learning for end-to-end text-to-speech.
25M 585h 2021
4.0 /5 Dim pleidleisiau eto
fast Free
9
Orpheus
Orpheus
Human-level emotional TTS model trained on 100K hours of speech data.
3B 100000h 2025
4.0 /5 Dim pleidleisiau eto
medium Standard
10
OpenVoice
OpenVoice
Instant voice cloning with granular control over style, emotion, and accent.
300M 2024
4.0 /5 Dim pleidleisiau eto
medium Premium
11
IndexTTS-2
IndexTTS-2
Zero-shot TTS with fine-grained emotion control and high expressiveness.
300M 2025
3.91 /5 Dim pleidleisiau eto
medium Standard
12
Spark TTS
Spark TTS
Voice cloning TTS with controllable emotion and speaking style via prompts.
500M 2025
3.9 /5 Dim pleidleisiau eto
medium Standard
13
Parler TTS
Parler TTS
Describe the voice you want in natural language and Parler generates matching speech.
880M 45000h 2024
3.83 /5 Dim pleidleisiau eto
medium Standard
14
Tortoise TTS
Tortoise TTS
Multi-voice text-to-speech focused on quality with autoregressive architecture.
400M 50000h 2022
3.7 /5 Dim pleidleisiau eto
slow Premium
15
Bark
Bark
Transformer-based text-to-audio model that generates realistic speech, music, and sound effects.
350M 100000h 2023
3.57 /5 Dim pleidleisiau eto
slow Standard
16
Bark Small
Bark Small
Lighter version of Bark with faster inference and lower memory usage.
150M 100000h 2023
Dim pleidleisiau eto
medium Standard
17
GPT-SoVITS
GPT-SoVITS
Few-shot voice cloning TTS that replicates any voice from just 5 seconds of audio.
200M 2024
Dim pleidleisiau eto
slow Standard
18
Qwen3 TTS
Qwen3 TTS
Alibaba's multilingual TTS with voice cloning, preset voices, and voice design from text.
1.7B 2025
Dim pleidleisiau eto
medium Standard

Sgorau Benchmark Manwl

Sgoriau cyfartalog swyddogol TTS.ai ar draws tri dimensiwn: naturioldeb, cywirdeb, a chyflymder.

KokoroKokoro

Free
Naturioldeb 4.8/5
Cywirdeb 4.7/5
Cyflymder 4.9/5
Cyfanswm 4.8/5

CosyVoice 2CosyVoice 2

Standard
Naturioldeb 4.5/5
Cywirdeb 4.4/5
Cyflymder 3.8/5
Cyfanswm 4.26/5

ChatterboxChatterbox

Premium
Naturioldeb 4.7/5
Cywirdeb 4.5/5
Cyflymder 3.4/5
Cyfanswm 4.25/5

StyleTTS 2StyleTTS 2

Premium
Naturioldeb 4.5/5
Cywirdeb 4.3/5
Cyflymder 3.8/5
Cyfanswm 4.23/5

PiperPiper

Free
Naturioldeb 3.5/5
Cywirdeb 4.2/5
Cyflymder 4.95/5
Cyfanswm 4.15/5

MeloTTSMeloTTS

Free
Naturioldeb 3.8/5
Cywirdeb 4.1/5
Cyflymder 4.6/5
Cyfanswm 4.13/5

Dia TTSDia TTS

Standard
Naturioldeb 4.6/5
Cywirdeb 4.3/5
Cyflymder 3.2/5
Cyfanswm 4.09/5

VITSVITS

Free
Naturioldeb 3.4/5
Cywirdeb 4.0/5
Cyflymder 4.8/5
Cyfanswm 4.0/5

OrpheusOrpheus

Standard
Naturioldeb 4.3/5
Cywirdeb 4.1/5
Cyflymder 3.5/5
Cyfanswm 4.0/5

OpenVoiceOpenVoice

Premium
Naturioldeb 4.0/5
Cywirdeb 4.1/5
Cyflymder 3.9/5
Cyfanswm 4.0/5

IndexTTS-2IndexTTS-2

Standard
Naturioldeb 4.3/5
Cywirdeb 4.1/5
Cyflymder 3.2/5
Cyfanswm 3.91/5

Spark TTSSpark TTS

Standard
Naturioldeb 4.2/5
Cywirdeb 4.0/5
Cyflymder 3.4/5
Cyfanswm 3.9/5

Parler TTSParler TTS

Standard
Naturioldeb 4.1/5
Cywirdeb 3.9/5
Cyflymder 3.4/5
Cyfanswm 3.83/5

Tortoise TTSTortoise TTS

Premium
Naturioldeb 4.6/5
Cywirdeb 4.4/5
Cyflymder 1.8/5
Cyfanswm 3.7/5

BarkBark

Standard
Naturioldeb 4.2/5
Cywirdeb 3.8/5
Cyflymder 2.5/5
Cyfanswm 3.57/5

Methodoleg Benchmark

Gosodiad Arbrofion

  • Caledwedd: 4x NVIDIA Tesla P40 (24GB VRAM pob un), 96GB cyfanswm
  • Testun prawf: 5 darn safonol sy'n cwmpasu gwahanol fathau o siarad (narratif, cyfathrebu, technegol, emosiynol, aml-ieithog)
  • Arfarniad: Metrigau awtomatig (amcangyfrif MOS, WER, RTF) ynghyd â phrofion gwrando dynol
  • Rhedeg: Prawfwyd pob model 10 gwaith bob taith, sgôr cyfartalog

Meini prawf sgorio

  • Naturioldeb (40%): Prosody, intonation, rhythm, emotions - pa mor ddynol mae'n swnio?
  • Cywirdeb (30%) Cywirdeb ynganiad, cyfradd gwallau geiriau, dealladwyedd
  • Cyflymder (30%): Ffactor amser real (eiliadau sain / eiliadau creu). Uwch = cyflymach.
  • Cyfanswm: Cyfartaledd pwysedig: 0.4 x Naturioldeb + 0.3 x Tryloywder + 0.3 x Cyflymder

Nodyn: Mae meini prawf yn adlewyrchu perfformiad ar ein caledwedd a thestunau prawf penodol. Gall ansawdd y byd go iawn amrywio yn seiliedig ar y testun mewnbwn, yr iaith, a'r dewis llais. Mae graddau'r gymuned yn darparu arwydd cyfatebol yn seiliedig ar ddefnydd go iawn amrywiol.

Cwestiynau a Ofynnir yn Aml

Bwrdd canlyniadau yw'r TTS Arena sy'n rhestru modelau testun-i-ganu AI yn seiliedig ar brofion safonol swyddogol a graddau'r gymuned. Cymharu modelau ochr yn ochr, gwrando ar enghreifftiau, a phleidleisio am y rhai sy'n swnio'n orau i chi.

Rydyn ni'n rhedeg profion safonol ar bob model gan ddefnyddio'r un darnau testun, caledwedd, a meini prawf gwerthuso. Mae'r sgôr yn cynnwys naturioldeb (sut mae'n swnio'n bersonol), cywirdeb (ynganiad a dealltwriaeth), a chyflymder (amser creu). Mae pob prawf yn defnyddio ein gweinydd GPU gyda GPUs NVIDIA Tesla P40.

Ie! Cliciwch y sêr wrth ochr unrhyw ddull i' w raddio o 1 i 5. Rhaid i chi fewngofnodi i bleidleisio. Mae' ch radd yn cyfrannu at gyfartaledd y gymuned a ddangosir ar y bwrdd perfformiad. Gallwch newid eich radd unrhyw bryd.

Teipiwch unrhyw destun, dewiswch ddau fodel, a chliciwch Cymharu. Cynhyrcha' r ddau fodel siarad o' r un testun ar yr un pryd. gwrandewch ar y ddau a phleidleisiwch am ba un sy' n swnio' n well. Mae' r cymhariaeth ddall yma yn helpu i ganfod y model gorau ar gyfer eich anghenion penodol.

Mae naturioldeb yn mesur pa mor debyg i'r person y mae'r sain yn swnio (prosod, intoneiddio, rhythm). Mae cywirdeb yn mesur cywirdeb ynganiad a dealladwyedd. Mae cyflymder yn mesur pa mor gyflym y mae'r model yn creu sain yn gymharol i'r amser go iawn. Mae cyfanswm yn gyfartaledd pwysedig o bob mesur.

Mae modelau heb sgôr cyfartalog naill ai'n rhai newydd eu hychwanegu ac yn aros am brofi, neu mae angen gosod arbennig (fel tocynnau mynediad gated) sy'n aros. Mae graddau'r gymuned yn dal ar gael ar gyfer y modelau hyn.

Diweddaru'r safonau swyddogol pan fydd modelau'n derbyn diweddariadau pwysig neu pan ychwanegir modelau newydd. Diweddaru graddau'r gymuned yn real-time wrth i ddefnyddwyr bleidleisio. Cedwir data'r bwrdd perfformiad am 5 munud er mwyn gwella perfformiad.

Mae modelau am ddim (Kokoro, Piper, VITS, MeloTTS) yn costio 0 credyd. Mae modelau safonol yn costio 2 credyd am bob 1,000 o nodau. Mae modelau premiwm yn costio 4 credyd am bob 1,000 o nodau ac yn aml maent yn cynnig y ansawdd uchaf neu nodweddion unigryw fel clonio llais.

Ar gyfer y rhan fwyaf o achosion defnydd, mae Kokoro (haen rhad) yn cynnig ansawdd rhagorol. Ar gyfer clonio llais, ceisiwch Chatterbox neu CosyVoice 2. Ar gyfer cynnwys aml- iaith, MeloTTS neu CosyVoice 2. Ar gyfer naratifau mynegiant, Bark neu Dia. Defnyddiwch yr erfyn cymharu i brofi gyda' ch testun penodol.

Ydy, gallwch greu a chymharu sain o unrhyw ddau fodel heb gyfrif gan ddefnyddio modelau lefel rhad ac am ddim. Mae angen cyfrif rhad ac am ddim ar gyfer pleidleisio ar fodel. Mae angen credydau ar gyfer cymharu modelau premiwm.

Rydyn ni'n ceisio bod yn ystyrlon drwy ddefnyddio testunau prawf safonedig, caledwedd tebyg, a meini prawf gwerthuso cydlynol ar draws pob model. Mae graddau'r gymuned yn darparu arwydd annibynnol ychwanegol. Disgrifir ein methodoleg yn yr adran Methodoleg Benchmark isod.

Mae modelau'n cael eu graddio yn gyntaf gan sgôr cyffredinol cyfartalog swyddogol, yna gan raddio cyfartalog y gymuned fel gwahanwr. Mae modelau heb gyfartalog yn cael eu graddio islaw'r rhai sydd â chyfartalog, wedi'u trefnu gan raddio'r gymuned.
5.0/5 (1)

Canfod eich llais perffaith

Ceisiwch unrhyw fodel am ddim gyda Kokoro, Piper, VITS, neu MeloTTS. Nid oes angen cyfrif.